本文介绍了一种基于卷积神经网络（CNN）的新型纹理描述符D-CNN，并在嘈杂的环境下完成了纹理和材料识别，并实现了81.1%至82.3%的识别准确率，显著提高了现有方法的性能。
Nov, 2014
本文提出了一种基于可描述纹理数据集的词汇表，用于描述常见的纹理模式，以及一些对应的图像识别技术，包括物体材质和纹理属性的实时识别，并通过将深度模型卷积层用作滤波器进行优化以获得卓越的性能。
Jul, 2015
本文研究了使用深度神经网络对纹理特征重要的图像数据集进行分类的方法，并通过定义手工特征提取的VC维来证明手工特征提取是降低异常误差率的有效工具，同时得出了卷积神经网络、Dropout网络和Dropconnect网络的VC维上限以及它们异常误差率的关系。此外，本文还利用内在维度概念验证了基于纹理的数据集比手写数字或其他目标识别数据集本质上更高维，因此更难以被神经网络粉碎，同时还从n维流形中计算出样本数据的相对对比度随向量空间维度趋于无限大而消失的规律。
May, 2016
研究表明，随机浅层卷积神经网络的特征空间可以作为自然纹理的模型，可以用于纹理合成算法，并且相较于深层CNNs模型，浅层CNNs模型具有相当的性能。
本文提出了一种基于深度学习的纹理编码网络——Deep-TEN，该网络集成了一种编码层，并通过端到端的学习框架直接学习词汇表和编码，支持多数据集联合训练，具有很好的纹理和物质识别性能。
Dec, 2016
本研究提出了一种新型的卷积神经网络，即小波卷积神经网络，将频域分析与卷积神经网络相结合，并在纹理分类中实验表明该模型比传统卷积神经网络的表现更好，且参数数量更少，易于训练。
Jul, 2017
本研究提出了一种多层纹理编码和表示网络（MuLTER），通过多层池化架构，该网络同时利用低级和高级特征以保持纹理细节和空间信息，并支持不同层级特征的融合，从而在纹理描述符领域提高了识别精度。
May, 2019
研究表明CNN模型中纹理处理算法在大规模标记数据集上学习时表现得更好。为消除纹理影响，提出了一种新的结构，利用高斯分布进行卷积，在三个语义分割基准测试中比现有方法表现更好。
Mar, 2020
本研究通过设计一系列实验，发现卷积神经网络中大部分的形状信息在训练的前几个阶段就已经学习，这些信息主要由CNN的最后几层进行编码。此外，本文还表明形状的编码并不意味着编码的是局部像素语义信息。
Jan, 2021
通过为特征提取引入Gabor滤波器作为有力工具来利用纹理特征，并将其与卷积神经网络（CNN）的语义分支相结合，实现全面的信息提取，从而在多个数据集上取得了最先进的性能。
Aug, 2023